PENGEMBANGAN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDI KASUS PADA DATABASE MUG)
|
|
- Liani Sugiarto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENGEMBANGAN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDI KASUS PADA DATABASE MUG) Zaenal Abidin Jurusan Matematika Universitas Negeri Semarang Kampus Sekaran Gunungpati Semarang ABSTRAK Ekspresi atau mimik adalah salah satu bentuk komunikasi nonverbal yang merupakan hasil dari satu atau lebih gerakan atau posisi otot pada wajah serta dapat menyampaikan keadaan emosi dari seseorang kepada orang yang mengamatinya. Melalui ekspresi wajah, maka dapat dipahami emosi yang sedang bergejolak pada diri individu. Ekspresi wajah merupakan salah satu karakteristik perilaku. Penggunaan sistem teknologi biometrika dengan karakteristik ekspresi wajah memungkinkan untuk mengenali mood atau emosi seseorang. Komponen dasar sistem analisis ekspresi wajah adalah deteksi wajah, ekstraksi data wajah, dan pengenalan ekspresi wajah. Metode integral projection digunakan untuk sistem dekteksi wajah. Metode fisherface dengan pendekatan jaringan syaraf tiruan backpropagation dapat digunakan untuk pengenalan ekspresi wajah. Metode ini dilakukan dengan dua tahap proses yaitu PCA dan LDA. Di mana perhitungan PCA digunakan untuk mereduksi dimensi, sedangkan LDA digunakan untuk mengekstraksi ciri ekspresi wajah dari setiap citra. Penelitian dilakukan pada MUG yang memperoleh hasil recognition rate 98,09%, dan false positive 5. Kata kunci: ekspresi wajah, metode integral projection, metode fisherface, PCA, LDA, jaringan syaraf tiruan backpropagation 1. PENDAHULUAN Ekspresi atau mimik adalah salah satu bentuk komunikasi nonverbal yang merupakan hasil dari satu atau lebih gerakan atau posisi otot pada wajah serta dapat menyampaikan keadaan emosi dari seseorang kepada orang yang mengamatinya. Ekspresi wajah mengungkapkan pikiran yang sedang melintas pada diri seseorang. Sebagai contoh, sebuah senyum mengungkap keramahtamahan dan kasih-sayang; mengangkat alis mata menunjukkan ekspresi heran; mengernyitkan dahi menunjukkan ketakutan dan kegelisahan. Semua emosi dan berbagai macam tingkah manusia diekspresikan dalam emosi yang berbeda yang tergambar di wajah. Seorang psikolog bernama Mehrabian dalam penelitiannya menyatakan bahwa ekspresi wajah menyumbang sebesar 55% dalam penyampaian pesan, sementara bahasa dan suara masing-masing menyumbang 7% dan 38%. Paul Ekman, seorang psikolog Amerika juga mendefinisikan enam kategori klasifikasi emosi yaitu senang, sedih, terkejut, marah, takut dan jijik. Kebanyakan sistem pengenal ekspresi wajah, mengklasifikasikan emosi ke dalam enam kategori universal tersebut (Kulkarni, 2006). Teknologi biometrika mulai banyak diterapkan diberbagai bidang. Teknologi ini diterapkan dengan menggunakan karakteristik pembeda (distinguishing traits). Secara umum karakteristik pembeda itu sendiri dibedakan menjadi 2, yaitu karakteristik fisiologis atau fisik, dan karakteristik perilaku. Ekspresi wajah merupakan salah satu karakteristik perilaku. Penggunaan sistem teknologi 21
2 biometrika dengan karakteristik ekspresi wajah memungkinkan untuk mengenali mood atau emosi seseorang. Analisis ekspresi wajah berhubungan dengan pengenalan secara visual gerakan wajah dan perubahan fitur wajah. Komponen dasar sistem analisis ekspresi wajah adalah deteksi wajah, ekstraksi data wajah, dan pengenalan ekspresi wajah. Beberapa penelitian yang telah dilakukan dan yang berkaitan dengan ekspresi wajah diantaranya dilakukan oleh Lekshmi dan Sasikumar (2008), yang melakukan analisis ekspresi wajah dengan menggunakan metode Gabor Wavelet Transform (GWT) dan DCT. Jaringan Radial Basis Function (RBF) digunakan sebagai classifier. Bashyal dan Venayagamoorthy (2007), melakukan pengenalan ekspresi wajah dengan menggunakan Gabor wavelet untuk mengekstraksi ciri dan mengkombinasikannya dengan LVQ untuk mengenali tujuh ekspresi wajah. Kulkarni (2006), mengklasifikasikan ekspresi wajah secara efektif berdasarkan input parameter wajah menggunakan committee neural network. Deng et al. (2005), mengembangkan sebuah penelitian yang membandingkan metode bank tapis gabor lokal dan global dengan pendekatan PCA+LDA sebagai pereduksi dimensi, sedangkan pada tahap klasifikasi digunakan jarak minimum Euclid. Ma dan Khorasani (2004) melakukan penelitian dengan menggunakan 2-D discrete cosine transform (DCT) untuk mendeteksi ciri dan jaringan syaraf feedforward dengan satu layer tersembunyi sebagai pengklasifikasi ekspresi wajah. Pada penelitian sebelumnya, telah dilakukan penelitian menggunakan metode fisherface dengan pendekatan jaringan syaraf tiruan backpropagation, dimana data uji yang digunakan adalah database JAFFE. Citra dari database JAFFE terdiri dari 213 gambar ekspresi wajah dari 10 subyek wanita Jepang. Setiap subyek berpose 3 sampai 4 untuk 6 ekspresi wajah + 1 netral. Setiap gambar memiliki format tiff, dengan mode warna grayscale dan memiliki ukuran piksel. Dari penelitian tersebut diperoleh hasil recognition rate sebesar 89,20% dengan jumlah false positive 15 (Abidin, 2011). Berdasarkan penelitian yang telah dilakukan sebelumnya dengan menggunakan citra mode warna grayscale, dilakukan penelitian lanjutan menggunakan citra warna mode RGB yang berasal dari database MUG. 2. ANALISIS DAN KEBUTUHAN SISTEM Masalah yang akan diselesaikan adalah pengenalan ekspresi wajah yang dilakukan dengan mengenali pola dari citra wajah. Ekspresi yang akan dikenali adalah ekspresi netral plus 6 ekspresi dasar wajah yaitu: senang, sedih, marah, terkejut, takut dan jijik. Pengenalan ekspresi wajah didasari pada pengenalan pola dengan pendekatan jaringan syaraf menggunakan algoritma backpropagation. Proses pengenalan ekspresi wajah dilakukan dengan membandingkan citra input dengan citra yang telah dilatih oleh sistem. Secara garis besar, penelitian ini terdiri dari beberapa tahap yaitu: 1. Proses pengambilan citra digital. Citra yang digunakan untuk penelitian ini terdiri dari sekumpulan citra untuk pelatihan (training data set) dan sekumpulan citra untuk pengujian (testing data set). Data citra untuk pelatihan dan pengujian diperoleh dari MUG 22
3 database (Delopoulos, 2010) yang digunakan adalah 18 subyek dengan total citra adalah 630 buah citra. Masing-masing subyek berpose untuk 7 ekspresi wajah. Dari database yang ada diambil sebanyak 5 citra per ekspresi. Setiap gambar memiliki format jpg, dengan model warna RGB dan memiliki ukuran piksel. Rincian pembagian data citra yang akan digunakan untuk pelatihan dan pengujian ditunjukkan dalam Tabel 1. Tabel 1. Rincian pembagian data citra Jumlah Citra Latih Jumlah Citra Uji Total Citra Proses pengolahan citra meliputi normalisasi ukuran, histogram equalization, dan masking. 3. Proses membuat data input menggunakan metode fisherface yang akan digunakan pada proses learning pada jaringan syaraf tiruan. 4. Proses pelatihan untuk citra training data set. Pengenalan citra yang akan dikenali jenis ekspresinya (testing data set) baik citra yang ada di dalam training data set maupun citra yang belum dilakukan pelatihan sebelumnya. 3. SISTEM PEMROSESAN Dalam penelitian ini, untuk membangun sistem pengenalan ekspresi wajah dilakukan dengan dua tahapan proses yaitu proses pelatihan citra training data set dan proses pengenalan citra yang akan dikenali. Gambar 1 menunjukkan fase pelatihan dan fase pengenalan untuk sistem pengenalan ekspresi wajah. Fase Training Fase Recognizing Citra-citra latih dalam training data set Citra yang akan dikenali Deteksi Wajah Deteksi Wajah Lakukan Pre-processing Lakukan Pre-processing Konstruksi Fisherface Konstruksi Fisherface Lakukan Backpropagation Lakukan Feedforward Mendapat Bobot training Mendapat Hasil Gambar 1. Sistem pemrosesan pengenalan ekspresi wajah 23
4 3.1. Deteksi Wajah Sistem deteksi wajah dipandang sebagai pengenalan pola di mana inputnya adalah citra masukan dan akan ditentukan output yang berupa label kelas dari citra tersebut. Dalam hal ini terdapat dua label kelas, yaitu wajah dan non-wajah. Salah satu kunci sukses dalam pengenalan ekspresi wajah adalah deteksi wajah yang akurat, karena gambar wajah yang terdeteksi akan sangat mempengaruhi dalam proses pengenalannya. Langkah pertama pada pengenalan ekspresi wajah secara otomatis adalah mendeteksi keberadaan wajah dari gambar masukan. Dalam penelitian ini digunakan metode integral projection. Integral projection adalah suatu metode yang digunakan untuk mencari daerah atau lokasi dari obyek. Teknik ini dikemukan oleh T. Kanade (dalam Yisu et al, 2009). Ide dasar tentang integral projection pada tingkat keabuan adalah menjumlahkan piksel per baris dan piksel per kolom. Misalkan sebuah gambar berukuran m n, dan tingkat keabuan setiap pikselnya adalah I(x, y), maka fungsi vertical projection dapat dirumuskan seperti persamaan (1) sebagai berikut. x S y x = y=1 I x, y (1) Sedangkan untuk persamaan fungsi horizontal projection ditunjukkan pada persamaan (2). y S x y = x=1 I(x, y) (2) Ilustrasi sistem deteksi wajah dengan menggunakan metode integral projection ditunjukkan oleh Gambar 2. Citra yang akan dikenali Integral Projection Processing Cropping Histogram equalization & Masking Gambar 2. Ilustrasi sistem deteksi wajah menggunakan metode integral projection Dari grafik integral projection yang telah diperoleh, selanjutnya ditentukan titik-titik minimum lokal untuk menentukan batas wajah Pre-processing Tahap awal proses pelatihan adalah melakukan deteksi wajah otomatis, yaitu dengan mendeteksi daerah wajah dan melakukan normalisasi ukuran. Selanjutnya, dari wajah yang berhasil dideteksi, dilakukan histogram equalization untuk melakukan perluasan kontras citra, serta masking untuk menutup bagian sudutsudut citra sehingga mengurangi variasi yang timbul pada bagian-bagian tersebut. 24
5 Gambar 3. Contoh data wajah dari database MUG yang telah mengalami pre-processing (database digunakan dengan ijin) 3.3. Konstruksi fisherface Setelah melalui tahap pre-processing, kemudian pembuatan set fisherface dari suatu set citra training dengan metode fisherface, yaitu dengan menggunakan perhitungan PCA dan LDA. Sebelumnya matriks representasi citra wajah diubah menjadi vektor kolom, sehingga tiap citra akan direpresentasikan menjadi vektor kolom. Jika citra memiliki ukuran M N, maka vektor kolom yang terbentuk berukuran MN 1. Berikut ini adalah langkah pembuatan set fisherface. 1. Perhitungan PCA Adapun langkah perhitungan PCA sebagai berikut. a. Mengambil satu set gambar yang akan dilatih, kemudian mentransformasikan setiap gambar tersebut menjadi vektor kolom, sehingga akan didapat satu matriks yang tiap kolomnya mewakili gambar yang berbeda, face space. Matriks tersebut berukuran MN p, dimana p adalah jumlah keseluruhan citra latih. b. Mencari mean face yaitu nilai rata-rata dari seluruh gambar wajah dari training data set, dan mengurangi seluruh gambar pada training set terhadap mean face untuk mencari deviasinya. c. Menghitung matriks kovarians. Matriks kovarians berdimensi m m. d. Menghitung eigenvalue dan eigenvector dari matriks kovarians yang telah diperoleh. Eigenvalue dan eigenvector yang bersesuaian diurutkan secara descending. e. Menghitung matriks proyeksi PCA yaitu dengan mengalikan nilai deviasi dengan eigenvector. f. Mengambil P K komponen dari matriks proyeksi PCA yang diperlukan untuk mengkonstruksi fisherface, dimana P adalah total citra latih dan K adalah banyaknya kelas. 2. Perhitungan LDA Proses perhitungan LDA dapat dilakukan dengan langkah sebagai berikut. a. Mentransformasikan training set ke dalam vektor kolom (face space). b. Mencari mean face dari face space, dan nilai wajah rata-rata masing-masing kelas (class mean face) c. Melakukan perhitungan matriks sebaran dalam kelas (within class scatter matrix, S B ) dan matriks sebaran antar kelas (between class scatter matrix, S W ). d. Memproyeksikan matriks sebaran (S B dan S W ) ke dalam matriks proyeksi PCA. e. Menghitung eigenvalue dan eigenvector dari matriks sebaran yang diperoleh. f. Menghitung matriks proyeksi fisher dengan mengurutkan eigenvector berdasarkan besarnya eigenvalue masing-masing eigenvector dan mengambil komponen eigenvector yang memiliki nilai eigen tidak nol. 25
6 Untuk K kelas, akan selalu didapat K 1 eigenvector yang memiliki eigenvalue tidak nol Pembelajaran backpropagation Tujuan pembelajaran jaringan adalah keseimbangan antara kemampuan memorisasi dan generalisasi. Hasil pembelajaran jaringan syaraf tiruan diharapkan tidak hanya baik dalam memprediksi pada citra masukan training data set, akan tetapi juga baik dalam memprediksi citra yang akan dikenali di testing data set. Arsitektur jaringan yang digunakan untuk penelitian terdiri dari 3 layer, yaitu 1 input layer, 1 hidden layer, dan 1 output layer. Jumlah neuron input layer adalah 6 ditambah dengan 1 bias, sesuai dengan keluaran dari konstruksi fisherface yang terdiri dari 6 nilai eigenvector yang signifikan. Layer kedua yaitu hidden layer yang jumlahnya divariasi yaitu 12, 60, dan 120 ditambah 1 bias. Jumlah neuron pada output layer adalah 7 buah neuron yaitu sesuai dengan target yang diteliti yang terdiri dari 6 ekspresi dasar wajah + 1 netral. Fungsi aktivasi yang digunakan untuk layer tersembunyi adalah fungsi sigmoid bipolar, sedangkan pada layer output digunakan fungsi sigmoid biner karena nilai keluaran yang diharapkan berada pada range [0,1]. Output dari masing-masing neuron dikonversi ke nilai biner dalam bentuk 0 atau 1. Sebuah output lebih dari atau sama dengan 0,6 dikonversi menjadi 1, sedangkan output kurang dari 0,6 dikonversi menjadi 0. Nilai output 1 mengindikasikan ekspresi tertentu ada dan nilai output 0 mengindikasikan bahwa ekspresi tertentu tidak ada. Nilai learning rate divariasi 0,25 dan 0,5, target error yang digunakan adalah 0,0001 dan maksimum epoh yang diinginkan adalah Konfigurasi output NN dan interpretasi ditunjukkan pada Tabel 2. Node 1 Jijik Node 2 Takut Tabel 2. Konfigurasi output NN dan interpretasi Node 3 Terkejut Node 4 Marah Node 5 Sedih Node 6 Senang Node 7 Netral NN Output Jijik Takut Terkejut Marah Sedih Senang Netral Langkah pembelajaran pada jaringan backpropagation adalah sebagai berikut. 1. Inisialisasi parameter dari jaringan, meliputi: a) Mengeset jumlah neuron hidden layer. b) Mengeset learning rate, (0 1). c) Mengeset target error. d) Mengeset maksimum epoh. 2. Inisialisasi bobot (bobot dipilih secara random dengan nilai yang kecil dengan range antara 1 dan 1). 26
7 3. Setelah dilakukan inisialisasi, berikutnya adalah tahapan feedforwad yaitu menjumlahkan sinyal-sinyal input terbobot pada hidden layer dan output layer. Sinyal dari input layer ke hidden layer diaktivasi dengan fungsi sigmoid bipolar dan sinyal dari hidden layer ke output layer diaktivasi dengan fungsi sigmoid biner. Tahap berikutnya adalah tahap backpropagation yang dimulai dengan menghitung informasi error. Informasi error diperoleh dari selisih antara nilai target yang telah ditentukan dengan nilai keluaran dari output layer. Informasi error tersebut digunakan untuk mengoreksi bobot pada unit output dan hidden. Koreksi bias dilakukan pula pada unit output dan unit hidden. Tiap-tiap unit output dan unit hidden memperbaiki bobot dan biasnya. Langkah tersebut di atas dikerjakan berulang-ulang selama kurang dari maksimum epoh atau MSE kurang dari target error. Bobot akhir selanjutnya disimpan untuk dimanfaatkan pada proses pengenalan Pengenalan ekspresi wajah Langkah pengenalan ekspresi wajah, terhadap citra yang akan dikenali adalah sebagai berikut. 1. Memasukkan citra yang akan dikenali ke sistem pengenalan ekspresi. 2. Dilakukan deteksi wajah pada citra yang akan dikenali oleh sistem. 3. Proses pengenalan ekspresi wajah. Data wajah yang berhasil dideteksi, di-cropping, kemudian dilakukan normalisasi ukuran, histogram equalization dan masking, selanjutnya dilakukan konstruksi fisherface yang hasilnya dapat diinputkan ke jaringan syaraf tiruan, dalam hal ini proses yang adalah proses feedforward. Hasil keluaran jaringan syaraf ini dibandingkan dengan target, kemudian ditampilkan hasilnya. 4. HASIL DAN PEMBAHASAN 4.1. Pengukuran Evaluasi Unjuk Kerja Sistem Pengukuran evaluasi unjuk kerja dari sistem pengenalan ekspresi wajah, pada digunakan dua parameter, yaitu recognition rate dan false positive rate. Recognition rate adalah perbandingan antara jumlah wajah yang berhasil dikenali ekspresinya dengan benar dengan jumlah seluruh wajah yang ada. Sedangkan false positive rate adalah banyaknya ekspresi wajah yang terklasifikasi tidak sesuai dengan ekspresi yang seharusnya Pembahasan Hasil Deteksi Wajah Penelitian ini menggunakan otomatisasi deteksi wajah terhadap citra query yang akan dikenali jenis ekspresinya. Metode yang digunakan untuk deteksi wajah adalah metode integral projection. Metode ini menjumlahkan tiap-tiap piksel perbaris dan perkolom. Jadi setiap piksel dalam satu baris dijumlahkan sepanjang lebar dari citra, sebanyak tinggi citra dan selanjutnya disebut horizontal integral projection. Setiap piksel dalam satu kolom juga dijumlahkan sepanjang tinggi citra, sebanyak lebar citra, dan selanjutnya disebut dengan vertikal integral projection. Wajah yang terdeteksi selanjutnya di-cropping berdasarkan batas nilai yang telah diperoleh dari proses integral projection, yang selanjutnya dilakukan histogram equalization untuk mengurangi pengaruh variasi pencahayaan, 27
8 kemudian dilakukan normalisasi ukuran, serta masking untuk menutup bagian sudut-sudut citra sehingga mengurangi variasi yang timbul pada bagian-bagian tersebut. Gambar 6 adalah contoh wajah yang berhasil dideteksi dan telah dilakukan histogram equalization, normalisasi ukuran dan masking. Citra Asli Hasil Deteksi Citra Asli Hasil Deteksi Gambar 4. Hasil deteksi wajah (citra wajah dari database MUG, digunakan dengan ijin) Hasil deteksi wajah dengan latarbelakang yang terlalu bervariasi ternyata menghasilkan Region of Interest (ROI) wajah yang tidak bagus karena ada bagian wajah yang terpotong, atau masih terdapat bagian bukan wajah yang ikut ditampilkan, bahkan sampai tidak ditemukan wajah sama sekali Pembahasan Konstruksi Fisherface Data wajah yang telah diperoleh dari hasil deteksi wajah, selanjutnya direpresentasikan ke dalam matriks. Citra dari database MUG diambil 497 komponen dari matriks proyeksi PCA yang diperlukan untuk mengkonstruksi fisherface. Jadi dimensinya direduksi menjadi 497. Setelah dilakukan reduksi dimensi dengan perhitungan PCA, maka proses dilanjutkan dengan perhitungan LDA untuk mendapatkan matriks proyeksi fisher. Perhitungan LDA ini menghasilkan fisherspace Jadi setiap kolom adalah mewakili ciri ekspresi yang berbeda dari tiap orang Pembahasan Hasil Arsitektur Jaringan Saraf Tiruan Backpropagation Arsitektur jaringan yang akan dikembangkan dalam penelitian ini terdiri atas 3 buah layer, yakni 1 buah input layer, 1 buah hidden layer dan 1 buah output layer. Jumlah neuron pada input layer adalah 6 neuron, hal ini sesuai dengan output dari proses konstruksi fisherface. Sedangkan jumlah neuron pada output layer adalah 7 neuron, sesuai dengan jumlah kelas ekspresi yang diteliti. Parameter yang diberikan memiliki perubahan pada jumlah neuron hidden, dan nilai learning rate-nya. Pelatihan dilakukan sebanyak 6 kali dengan melakukan perubahan terhadap parameter jaringan syaraf tiruan. Parameter jumlah neuron hidden yang akan diujicoba adalah 12, 60, dan 120. Sedangkan untuk learning rate dipilih nilai 0,5 dan 0,25. Target error akan diset dengan 0,0001 dan jumlah maksimum epoh adalah Jaringan syaraf tiruan yang optimal adalah untuk jumlah neuron hidden = 12, dan learning rate = 0, Pembahasan pengenalan citra query pelatihan dan non-pelatihan dari database MUG Hasil yang ditunjukkan pada Tabel 3 dapat dijelaskan bahwa sistem mampu mengenali semua ekspresi dari citra wajah yang telah dilatih sebelumnya. Hal ini dapat dilihat dari elemen diagonal utama pada confusion matrix yang merata 28
9 dengan angka 72, sedangkan elemen di luar diagonal utama sama dengan nol. Jadi tingkat pengenalan pada citra query pelatihan adalah 100%. Hasil pengenalan pada citra query non-pelatihan ditunjukkan dengan confusion matrix pada Tabel 4. Tabel 3. Confusion matrix untuk citra query pelatihan dari database MUG I\O Netral Marah Senang Sedih Jijik Takut Terkejut Netral Marah Senang Sedih Jijik Takut Terkejut Tabel 4. Confusion matrix untuk citra non-pelatihan dari database MUG I\O Netral Marah Senang Sedih Jijik Takut Terkejut Netral Marah Senang Sedih Jijik Takut Terkejut KESIMPULAN Berdasarkan hasil analisis dan pembahasan yang telah dilakukan, dapat ditarik beberapa kesimpulan, yaitu: dari beberapa variasi yang dilakukan, diperoleh bahwa jaringan syaraf tiruan yang optimal untuk mengenali ekspresi wajah adalah dengan mengeset jumlah neuron hidden = 12, dan learning rate = 0,25. Hasil pengenalan yang dilakukan pada citra database MUG memperoleh hasil recognition rate = 98,09%, dan false positive = DAFTAR PUSTAKA [1] Abidin, Z., 2011, Implementasi Jaringan Syaraf Tiruan untuk Pengenalan Ekspresi Wajah, Makalah Seminar, diseminarkan di SIMPATIK 2011 pada tanggal 9 Maret [2] Bashyal, S., dan Venayagamoorthy, G.K., 2007, Recognition of Facial Expressions Using Gabor Wavelets and Learning Vector Quantization, Engineering Application of Artificial Intelligence. /j.engappai , 2007, diakses 2 Januari [3] Delopoulos, A., The MUG Facial Expression Database, Multimedia Understanding Group, diakses 5 Oktober
10 [4] Deng, H.B., Jin, L.W., Zhen, L.X., dan Huang, J.C., 2005, A New Facial Expression Recognition Method Based On Local Gabor Filter Bank and PCA plus LDA, International Journal of Information Technology, 11, 11, [5] Kulkarni, S.S., 2006, Facial Image Based Mood Recognition Using Committee Neural Networks, Thesis, Department of Biomedical Engineering University of Akron. [6] Lekshmi V., P., dan Sasikumar, M., 2008, A Neural Network Based Facial Expression Analysis using Gabor Wavelets, World Academy of Science, Engineering and Technology, 42, [7] Ma, L. dan Khorasani, K., 2004, Facial Expression Recognition Using Constructive Feedforward Neural Network, IEEE Transactions on Systems, Man, and Cybernetics, 3, 34, [8] Yisu Z., Xiaojun S., Georganas, N.D., dan Petriu, E. M., 2009, Part-based PCA for Facial Feature Extraction and Classification, IEEE Transactions on Pattern Analysis and Machine Intelligence,
Facial Expression Recognition By Using Fisherface Methode With Backpropagation Neural Network
Facial Expression Recognition By Using Fisherface Methode With Backpropagation Neural Network Zaenal Abidin dan Agus Harjoko Abstract In daily lives, especially in interpersonal communication, face often
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciAlgoritma Pengenalan Ekspresi Wajah Menggunakan Wavelet Neural Networks
Algoritma Pengenalan Ekspresi Wajah Menggunakan Wavelet Neural Networks Z. Abidin Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Negeri Semarang Kampus Sekaran Gunungpati, Semarang, 50229 E-mail : zaenalabidin.indonesia@gmail.com
Lebih terperinciJurnal MIPA 35 (2): 194-203 (2012) Jurnal MIPA http://journal.unnes.ac.id/sju/index.php/jm RANCANG BANGUN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN FISHERFACE DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciBAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
Lebih terperinciBAB I PENDAHULUAN. penelitian di dunia pendidikan. Dilaporkan sekitar 25-60% mahasiswa drop-out
BAB I PENDAHULUAN 1.1 Latar Belakang Pada tahun 1980, Student Engagement menjadi topik hangat dalam penelitian di dunia pendidikan. Dilaporkan sekitar 25-60% mahasiswa drop-out dikarenakan merasa bosan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Wajah sering digunakan sebagai sarana berekspresi dalam berkomunikasi interpersonal dalam kehidupan sehari hari. Dengan ekspresi wajah, seseorang dapat memahami emosi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciBAB 2 Landasan Teori
BAB 2 Landasan Teori Pengenalan manusia secara otomatis menggunakan mesin merupakan masalah yang menantang dan telah menjadi banyak perhatian selama beberapa tahun terakhir. (Jawad, Syed, dan Farrukh,
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciPENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR
PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR Ardilla Ayu Dewanti Ridwan, Ivanna K. Timotius, Iwan Setyawan PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciPENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION
PENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION Suhendry Effendy Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Bina Nusantara University
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciSISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL
1 SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (Human Face Detection System on Digital Images) Setyo Nugroho 1, Agus Harjoko 2 Program Studi Ilmu Komputer Program Pascasarjana Universitas Gadjah
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1. 1 Latar Belakang Jaringan saraf buatan merupakan kumpulan dari elemen-elemen pemrosesan buatan yang disebut neuron. Sebuah neuron akan mempunyai banyak nilai masukan yang berasal dari
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
Lebih terperinciPENGENALAN WAJAH MANUSIA DENGAN METODE PRINCIPLE COMPONENT ANALYSIS (PCA)
ISSN: 1693-6930 177 PENGENALAN WAJAH MANUSIA DENGAN MEODE PRINCIPLE COMPONEN ANALYSIS (PCA) Murinto Program Studi eknik Informatika Universitas Ahmad Dahlan Yogyakarta Kampus III UAD Jl Prof Dr. Supomo,
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN METODE LINEAR DISCRIMINANT ANALYSIS DAN K NEAREST NEIGHBOR
PENGENALAN WAJAH MENGGUNAKAN METODE LINEAR DISCRIMINANT ANALYSIS DAN K NEAREST NEIGHBOR 1 Fandiansyah, 2 Jayanti Yusmah Sari, 3 Ika Purwanti Ningrum Jurusan Teknik Informatika, Fakultas Teknik Universitas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Computer Vision Computer vision dapat diartikan sebagai suatu proses pengenalan objek-objek berdasarkan ciri khas dari sebuah gambar dan dapat juga digambarkan sebagai suatu deduksi
Lebih terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF RADIAL BASIS FUNCTION (RBF)
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Yogyakarta, 14 Mei 2011 PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF
Lebih terperinciBAB III METODE PENELITIAN. dan bahan, agar mendapatkan hasil yang baik dan terstruktur. Processor Intel Core i3-350m.
BAB III METODE PENELITIAN 3.1 Alat dan Bahan Untuk menunjang penelitian yang akan dilakukan, maka diperlukan alat dan bahan, agar mendapatkan hasil yang baik dan terstruktur. 3.1.1 Alat Penelitian Adapun
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciKOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS
KOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS 1 Sofyan Azhar Ramba 2 Adiwijaya 3 Andrian Rahmatsyah 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi Telkom
Lebih terperinciIdentifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski Junia Kurniati Computer Engineering Department Faculty of Computer Science Sriwijaya University South Sumatera Indonesia
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciPENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana
PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing Tugas Ujian Sarjana. Penjelasan Learning Vector Quantization (LVQ) Learning
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE
PENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE Widodo Muda Saputra, Helmie Arif Wibawa, S.Si, M.Cs, dan Nurdin Bahtiar, S.Si, M.T Fakultas Sains dan Matematika, Jurusan Ilmu Komputer
Lebih terperinciBAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM 3.1 Rancangan Perangkat Keras 3.1.1 Diagram Blok Sistem Rancangan perangkat keras dari aplikasi pengenalan wajah ini dapat dilihat pada diagram blok Gambar 3.1 sebagai berikut
Lebih terperinciPengenalan Wajah dengan Metode Subspace LDA (Linear Discriminant Analysis)
Pengenalan Wajah dengan Metode Subspace LDA (Linear Discriminant Analysis) Ratna Nur Azizah Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60111
Lebih terperinciPengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan
Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan Adhika Aryantio School of Electrical Engineering and Informatics Institute Technology of Bandung 10th Ganeca Street Bandung, Indonesia. Adhikaaryantio.x6@gmail.com
Lebih terperinciBAB IV PENGUJIAN DAN ANALISIS
BAB IV PENGUJIAN DAN ANALISIS Bab ini akan membahas tentang pengujian dan analisis sistem. Pada pengujian akan dijelaskan tentang kriteria pengujian serta analisis dari pengujian 4.1. Kriteria Pengujian
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciPERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN (2200 100 032) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng,
Lebih terperinciAplikasi Pengenalan Citra Chord Gitar Menggunakan Learning Vector Quantization (LVQ)
95 Aplikasi Pengenalan Citra Chord Gitar Menggunakan Learning Vector Quantization (LVQ) Imam Suderajad *), Tamam Asrori **), Mohammad ***), Dwi Prananto ****) Teknik Elektro, Universitas Panca Marga Email:
Lebih terperinciVerifikasi Citra Wajah Menggunakan Metode Discrete Cosine Transform Untuk Aplikasi Login
The 13 th Industrial Electronics Seminar 011 (IES 011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 6, 011 Verifikasi Citra Wajah Menggunakan Metode Discrete Cosine
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi senantiasa membawa dampak secara langsung maupun tidak langsung, baik itu berdampak positif maupun negatif dan akan sangat berpengaruh terhadap
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK Fany Hermawan Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung E-mail : evan.hawan@gmail.com
Lebih terperinciIMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION
J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 89 ~ 95 89 IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION Rini Miyanti Maubara 1, Adriana Fanggidae
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciSINTESA EKSPRESI WAJAH DENGAN MENGGUNAKAN RADIAL BASIS FUNCTION NETWORK
SINTESA EKSPRESI WAJAH DENGAN MENGGUNAKAN RADIAL BASIS FUNCTION NETWORK Wiwik Anggraeni, Handayani Tjandrasa Program Studi Sistem Informasi, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D
30 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi pada citra wajah yang telah disiapkan dalam
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Penentuan Masalah Penelitian Masalah masalah yang dihadapi oleh penggunaan identifikasi sidik jari berbasis komputer, yaitu sebagai berikut : 1. Salah satu masalah dalam
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap tahun 2004/2005
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap tahun 2004/2005 PENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANS FORMAS I WAVELET DIS KRIT D AN JARINGAN S ARAF
Lebih terperinciKlasifikasi Identitas Wajah Untuk Otorisasi Menggunakan Deteksi Tepi dan LVQ
Klasifikasi Identitas Wajah Untuk Otorisasi Menggunakan Deteksi Tepi dan LVQ Gilang Ramadhan *, Esmeralda C Djamal, Tedjo Darmanto Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani Jl.
Lebih terperinciJARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN WAJAH METODE EKSTRAKSI FITUR Sigit Kusmaryanto Teknok Elektro FTUB,
JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN WAJAH METODE EKSTRAKSI FITUR Sigit Kusmaryanto Teknok Elektro FTUB, sigitkus@ub.ac.id ABSTRAKSI Salah satu kelemahan umum pada pengenalan pola untuk
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Definisi Citra, Pengolahan Citra, dan Pengenalan Pola Citra dapat dijelaskan sebagai dua dimensi dari fungsi f(x,y) dimana x dan y tersebut adalah sebuah koordinat pada bidang
Lebih terperinciIdentifikasi Gender Berdasarkan Citra Wajah Menggunakan Deteksi Tepi dan Backpropagation
Identifikasi Gender Berdasarkan Citra Wajah Menggunakan Deteksi Tepi dan Backpropagation Destri Wulansari, Esmeralda C. Djamal, Ridwan Ilyas Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad
Lebih terperinciBAB 1 PENDAHULUAN. Manusia memiliki insting untuk berinteraksi satu sama lain demi mencapai
BAB 1 PENDAHULUAN 1.1 Latar Belakang Manusia memiliki insting untuk berinteraksi satu sama lain demi mencapai suatu tujuan, dan dalam interaksi itu, mengintepretasi kondisi emosional menjadi penting dalam
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan
BAB IV IMPLEMENTASI DAN EVALUASI Implementasi dan Evaluasi yang dilakukan penulis merupakan implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan perangkat lunak dari sistem secara keseluruhan
Lebih terperinciTOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperinciMETODOLOGI PENELITIAN
18 METODOLOGI PENELITIAN Kerangka Penelitian Sistem pengenalan roda kendaraan pada penelitian ini tampak pada Gambar 10, secara garis besar dapat dibagi menjadi dua tahapan utama yaitu, tahapan pelatihan
Lebih terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF)
PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF) AINUN JARIAH 1209201721 DOSEN PEMBIMBING 1. Prof. Dr. Mohammad Isa Irawan, M.T 2. Dr Imam Mukhlas, S.Si, M.T
Lebih terperinciPengenalan Bentuk Wajah Manusia Pada Citra Menggunakan Metode Fisherface
Pengenalan Bentuk Wajah Manusia Pada Citra Menggunakan Metode Fisherface (Studi Kasus pengenalan wajah pada manusia di teknik informatika universitas malikussaleh) Muthmainnah, Rahayu Dosen Teknik Informatika
Lebih terperinciPenggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah
Vol. 14, No. 1, 61-68, Juli 2017 Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah La Surimi, Hendra, Diaraya Abstrak Jaringan syaraf tiruan (JST) telah banyak diaplikasikan
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciBAB II TINJAUAN PUSTAKA
7 BAB II TINJAUAN PUSTAKA Penelitian maupun pembuatan aplikasi mengenai pengenalan karakter / pengenalan pola ataupun yang berhubungan dengan Jaringan Syaraf Tiruan terlebih dengan metode Backpropagation
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
68 BAB 4 HASIL DAN PEMBAHASAN 4.1. Uji Algoritma Pengujian dilakukan untuk mendapatkan algoritma yang paling optimal dari segi kecepatan dan tingkat akurasi yang dapat berjalan secara real time pada smartphone
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciPrincipal Component Analysis
Perbandingan Ukuran Jarak pada Proses Pengenalan Wajah Berbasis Principal Component Analysis (PCA) Pembimbing: Dr.Ir.Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) Nimas Setya Yaniar 2208.100.616 POSE (posisi
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciPERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA
PERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA Bharasaka Krisnandhika 51412445 Dr. Dewi Agushinta
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Berikut adalah beberapa definisi dari citra, antara lain: rupa; gambar; gambaran (Kamus Besar Bahasa Indonesia). Sebuah fungsi dua dimensi, f(x, y), di mana x dan y adalah
Lebih terperinciSISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST)
Berkala Fisika ISSN : 1410-9662 Vol. 15, No. 1, Januari 2012, hal 15-20 SISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST) Tri Mulyono, Kusworo Adi dan Rahmat Gernowo Jurusan
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih terperinciPengolahan Citra untuk Bidang Pertanian(Menentukan Kematangan Buah) Oleh Nama:Wahyu Abid A. NRP : Kelas :2D4 IT(B)
Pengolahan Citra untuk Bidang Pertanian(Menentukan Kematangan Buah) Oleh Nama:Wahyu Abid A. NRP :2110151042 Kelas :2D4 IT(B) Latar Belakang Buah pisang dan alpukat sangatlah familiar dengan warga asia,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciKlasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan
JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Indonesia merupakan negara tropis yang memiliki + 30.000 spesies tumbuh-tumbuhan ([Depkes] 2007). Tumbuh-tumbuhan tersebut banyak yang dibudidayakan sebagai tanaman hias. Seiring
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciProgram Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini
Program Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini Wawan Kurniawan Jurusan PMIPA, FKIP Universitas Jambi wwnkurnia79@gmail.com Abstrak
Lebih terperinciPENGENALAN EKSPRESI WAJAH MENGGUNAKAN WAVELET GABOR DAN BACKPROPAGATION
Immanuela P. S., Ernawati, B. Yudi wiandiyanta, Pengenalan Ekspresi Wajah 71 PENGENALAN EKSPRESI WAJAH MENGGUNAKAN WAVELET GABOR AN BACKPROPAGATION Immanuela P. Saputro 1, Ernawati 2, B.Yudi wiandiyanta
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciDatabase Ekspresi Wajah Perempuan Indonesia Berbasis 2D untuk Pengenalan Emosi
Tugas Akhir Database Ekspresi Wajah Perempuan Indonesia Berbasis 2D untuk Pengenalan Emosi Oleh : Dwi Angga Y. 2210106042 Pembimbing : I. Dr. Surya Sumpeno, ST., M.Sc. II. Muhtadin, ST., MT. Halaman 1
Lebih terperinciPENENTUAN NILAI VEKTOR PEWAKIL AWAL PADA ARSITEKTUR JARINGAN SYARAF TIRUAN LVQ UNTUK PENGENALAN WAJAH
PENENTUAN NILAI VEKTOR PEWAKIL AWAL PADA ARSITEKTUR JARINGAN SYARAF TIRUAN LVQ UNTUK PENGENALAN WAJAH Devira Anggi Maharani 1, Mila Fauziyah 2, Denda Dewatama 3 1,2 Jurusan Elektro, Prodi Elektronika,
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciIdentifikasi Otentifikasi Citra Tanda Tangan Menggunakan Wavelet dan Backpropagation
Identifikasi Otentifikasi Citra Tanda Tangan Menggunakan Wavelet dan Backpropagation Resa Abdilah 1, Esmeralda C. Djamal, Ridwan Ilyas Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani
Lebih terperinciBAB III METODE PENELITIAN. Pemotong an Suara. Convert. .mp3 to.wav Audacity. Audacity. Gambar 3.1 Blok Diagram Penelitian
BAB III METODE PENELITIAN 3.1 Model Penelitian Penelitian yang dilakukan dapat dijelaskan melalui blok diagram seperti yang terlihat pada Gambar 3.1. Suara Burung Burung Kacer Burung Kenari Pengambil an
Lebih terperinciKOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 KOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Analisa Masalah Kemajuan teknologi di bidang multimedia, menuntut kemampuan sistem yang lebih baik dan lebih maju dari sebelumnya, sesuai dengan perkembangan teknologi.
Lebih terperinciPengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature
Pengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature Dosen Pembimbing : 1) Prof.Dr.Ir. Mauridhi Hery Purnomo M.Eng. 2) Dr. I Ketut Eddy Purnama ST., MT. Oleh : ATIK MARDIYANI (2207100529)
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini menjelaskan landasan teori dari metode yang digunakan dalam proses pengenalan wajah, yaitu terdiri atas: metode Eigenface, dan metode Jarak Euclidean. Metode Eigenface digunakan
Lebih terperinciIMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL
IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL Andri STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id Abstrak
Lebih terperinciPengenalan Wajah Dengan Algoritma Canonical Correlation Analysis (CCA)
JURNAL EKNIK IS ol 1, (Sept, 212) ISSN: 231-9271 A-439 Pengenalan Wajah Dengan Algoritma Canonical Correlation Analysis (CCA) Ratna Dwi Kartika Rini, Wirawan dan Hendra Kusuma Jurusan eknik Elektro-FI,
Lebih terperinciDeteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation
Deteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation Tri Deviasari Wulan 1, Endah Purwanti 2, Moh Yasin 3 1,2 Program Studi Fisika Fakultas Sains dan Teknologi
Lebih terperinciUNJUK KERJA METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) DENGAN LEARNING VECTOR QUANTIZATION (LVQ) PADA APLIKASI PENGENALAN WAJAH
ISSN : 1693 1173 UNJUK KERJA METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) DENGAN LEARNING VECTOR QUANTIZATION (LVQ) PADA APLIKASI PENGENALAN WAJAH Yustina Retno Wahyu Utami 1), Teguh Susyanto 2). Abstract
Lebih terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION ABSTRAK Juventus Suharta (0722026) Jurusan Teknik Elektro
Lebih terperinciSISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (PROPOSAL SKRIPSI) diajukan oleh. NamaMhs NIM: XX.YY.ZZZ. Kepada
SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (PROPOSAL SKRIPSI) diajukan oleh NamaMhs NIM: XX.YY.ZZZ Kepada JURUSAN TEKNIK INFORMATIKA STMIK STIKOM BALIKPAPAN LEMBAR PERSETUJUAN Proposal Skripsi
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciPENGEMBANGAN ARSITEKTUR JARINGAN SYARAF TIRUAN UNTUK PENGENALAN EKSPRESI WAJAH MANUSIA
PENGEMBANGAN ARSITEKTUR JARINGAN SYARAF TIRUAN UNTUK PENGENALAN EKSPRESI WAJAH MANUSIA Julian Supardi 1) Bella Anindita 2) Jurusan Teknik Informatika Universitas Sriwijaya Email: 1) Julian@unsri.ac.id
Lebih terperinci